Réseau de gaussiennes, en 2 couches, avec 1 sortie. More...

#include <neur/gauss/gaussnet.h>

Collaboration diagram for GaussNet:

[legend]

Public Types
Types
typedef double(GaussNet::*	LearnFunc) (const std::vector< double > &vec, double d, double etaW, double etaC, double etaS)
	Type de fonction d'apprentissage.

typedef void(GaussNet::*	RandInitFunc) (double cmax, double smin, double smax, double wmax)
	Type de fonction d'initialisation aléatoire des paramètres du réseau.

Public Member Functions
Construction - destruction
	GaussNet ()

	GaussNet (const GaussNet &gn)
	Copie.

virtual	~GaussNet ()

Opérateurs
GaussNet &	operator= (const GaussNet &gn)

Static Public Attributes
Statique
static unsigned	CyclePeriod
	Nombre de passes entre changements de type d'apprentissage.

Initialisation
RandInitFunc	randInit
	Fonction d'initialisation.

virtual void	clear ()
	Efface tout.

virtual void	init (unsigned ninp, unsigned ngauss, bool samesigma=true)
	Crée le réseau avec ninp entrées et ngauss gaussiennes.

void	randInitAll (double cmax=1, double smin=0.3, double smax=5, double wmax=1)
	Initialise avec des valeurs aléatoires.

void	randInitWeights (double cmax=0, double smin=0.3, double smax=5, double wmax=1)
	Initialise seulement les poids.

void	randInitCenters (double cmax=0, double smin=0.3, double smax=5, double wmax=1)
	Initialise seulement les centres.

void	randInitSigma (double cmax=1, double smin=0.5, double smax=5, double wmax=1)
	Initialise seulement les écarts-types.

void	randInitWtSig (double cmax=1, double smin=0.5, double smax=5, double wmax=1)
	Initialise les poids et les écarts-types.

Fonctionnement
LearnFunc	learn
	Fonction d'apprentissage.

unsigned	nInputs () const

unsigned	nGauss () const

const Gaussian *	gauss (unsigned n) const

Gaussian *	gauss (unsigned n)

double	weight (unsigned n) const

void	setWeight (unsigned n, double w)

template<class InputIterator>
void	setCenter (unsigned n, const InputIterator &start)

Gaussian *	addGaussian ()

void	removeGaussian (unsigned num)

template<class InputIterator>
double	prop (const InputIterator &start) const

double	learnAll (const std::vector< double > &vec, double d, double etaW, double etaC=0, double etaS=0)
	Apprentissage par gradient.

double	learnWeights (const std::vector< double > &vec, double d, double etaW, double etaC=0, double etaS=0)
	Apprentissage des coefs seuls.

double	learnCenters (const std::vector< double > &vec, double d, double etaW, double etaC=0, double etaS=0)
	Apprentissage des centres seuls.

double	learnSigma (const std::vector< double > &vec, double d, double etaW, double etaC=0, double etaS=0)
	Apprentissage des écarts-types seuls.

double	learnWtSig (const std::vector< double > &vec, double d, double etaW, double etaC=0, double etaS=0)
	Apprentissage des coefs et des écarts-types.

double	learnMulSig (const std::vector< double > &vec, double d, double etaW, double etaC=0, double etaS=0)
	Aprentissage avec modifs multiplicatives sur les sigmas.

double	learnCycle (const std::vector< double > &vec, double d, double etaW, double etaC=0, double etaS=0)
	Apprentissage alterné Wt - Center - Sigma.

Detailed Description

Réseau de gaussiennes, en 2 couches, avec 1 sortie.

Ref. Bishop 95

Definition at line 13 of file gaussnet.h.

Member Typedef Documentation

◆ LearnFunc

typedef double(GaussNet::* GaussNet::LearnFunc) (const std::vector< double > &vec, double d, double etaW, double etaC, double etaS)

Type de fonction d'apprentissage.

Parameters

vec	exemple d'apprentissage
d	sortie désirée
etaW	coef. du gradient pour modifs sur les poids
etaC	coef. du gradient pour modifs sur les centres
etaS	coef. du gradient pour modifs sur les écarts-types

Returns: sortie du réseau AVANT apprentissage

Definition at line 26 of file gaussnet.h.

◆ RandInitFunc

typedef void(GaussNet::* GaussNet::RandInitFunc) (double cmax, double smin, double smax, double wmax)

Type de fonction d'initialisation aléatoire des paramètres du réseau.

Parameters

cmax	max en valeur absolue des coordonnées des centres
smax	max des écarts-types
wmax	max (V.A) des poids entre les gaussiennes et la sortie

Definition at line 35 of file gaussnet.h.

Constructor & Destructor Documentation

◆ GaussNet() [1/2]

GaussNet::GaussNet ( )

Referenced by GaussNet(), and operator=().

◆ GaussNet() [2/2]

GaussNet::GaussNet ( const GaussNet & gn )

Copie.

References GaussNet().

◆ ~GaussNet()

virtual GaussNet::~GaussNet ( )

virtual

Member Function Documentation

◆ addGaussian()

Gaussian * GaussNet::addGaussian ( )

◆ clear()

virtual void GaussNet::clear ( )

virtual

Efface tout.

◆ gauss() [1/2]

Gaussian * GaussNet::gauss ( unsigned n )

◆ gauss() [2/2]

const Gaussian * GaussNet::gauss ( unsigned n ) const

Referenced by prop(), and setCenter().

◆ init()

virtual void GaussNet::init	(	unsigned	ninp,
		unsigned	ngauss,
		bool	samesigma = true )

virtual

Crée le réseau avec ninp entrées et ngauss gaussiennes.

◆ learnAll()

double GaussNet::learnAll	(	const std::vector< double > &	vec,
		double	d,
		double	etaW,
		double	etaC = 0,
		double	etaS = 0 )

Apprentissage par gradient.

Parameters

vec	exemple d'apprentissage
d	sortie désirée
eta	coef. du gradient

Returns: sortie du réseau AVANT apprentissage

◆ learnCenters()

double GaussNet::learnCenters	(	const std::vector< double > &	vec,
		double	d,
		double	etaW,
		double	etaC = 0,
		double	etaS = 0 )

Apprentissage des centres seuls.

◆ learnCycle()

double GaussNet::learnCycle	(	const std::vector< double > &	vec,
		double	d,
		double	etaW,
		double	etaC = 0,
		double	etaS = 0 )

Apprentissage alterné Wt - Center - Sigma.

◆ learnMulSig()

double GaussNet::learnMulSig	(	const std::vector< double > &	vec,
		double	d,
		double	etaW,
		double	etaC = 0,
		double	etaS = 0 )

Aprentissage avec modifs multiplicatives sur les sigmas.

◆ learnSigma()

double GaussNet::learnSigma	(	const std::vector< double > &	vec,
		double	d,
		double	etaW,
		double	etaC = 0,
		double	etaS = 0 )

Apprentissage des écarts-types seuls.

◆ learnWeights()

double GaussNet::learnWeights	(	const std::vector< double > &	vec,
		double	d,
		double	etaW,
		double	etaC = 0,
		double	etaS = 0 )

Apprentissage des coefs seuls.

◆ learnWtSig()

double GaussNet::learnWtSig	(	const std::vector< double > &	vec,
		double	d,
		double	etaW,
		double	etaC = 0,
		double	etaS = 0 )

Apprentissage des coefs et des écarts-types.

◆ nGauss()

unsigned GaussNet::nGauss ( ) const

Referenced by prop().

◆ nInputs()

unsigned GaussNet::nInputs ( ) const

inline

Definition at line 92 of file gaussnet.h.

◆ operator=()

GaussNet & GaussNet::operator= ( const GaussNet & gn )

References GaussNet().

◆ prop()

template<class InputIterator>

double GaussNet::prop ( const InputIterator & start ) const

inline

Definition at line 148 of file gaussnet.h.

References gauss(), nGauss(), Gaussian::value(), and weight().

◆ randInitAll()

void GaussNet::randInitAll	(	double	cmax = 1,
		double	smin = 0.3,
		double	smax = 5,
		double	wmax = 1 )

Initialise avec des valeurs aléatoires.

Parameters

cmax	max en valeur absolue des coordonnées des centres
smax	max des écarts-types
wmax	max (V.A) des poids entre les gaussiennes et la sortie

◆ randInitCenters()

void GaussNet::randInitCenters	(	double	cmax = 0,
		double	smin = 0.3,
		double	smax = 5,
		double	wmax = 1 )

Initialise seulement les centres.

◆ randInitSigma()

void GaussNet::randInitSigma	(	double	cmax = 1,
		double	smin = 0.5,
		double	smax = 5,
		double	wmax = 1 )

Initialise seulement les écarts-types.

◆ randInitWeights()

void GaussNet::randInitWeights	(	double	cmax = 0,
		double	smin = 0.3,
		double	smax = 5,
		double	wmax = 1 )

Initialise seulement les poids.

◆ randInitWtSig()

void GaussNet::randInitWtSig	(	double	cmax = 1,
		double	smin = 0.5,
		double	smax = 5,
		double	wmax = 1 )

Initialise les poids et les écarts-types.

◆ removeGaussian()

void GaussNet::removeGaussian ( unsigned num )

◆ setCenter()

template<class InputIterator>

void GaussNet::setCenter	(	unsigned	n,
		const InputIterator &	start )

inline

Definition at line 161 of file gaussnet.h.

References gauss(), and Gaussian::setCenter().

◆ setWeight()

void GaussNet::setWeight	(	unsigned	n,
		double	w )

◆ weight()

double GaussNet::weight ( unsigned n ) const

Referenced by prop().

Member Data Documentation

◆ CyclePeriod

unsigned GaussNet::CyclePeriod

static

Nombre de passes entre changements de type d'apprentissage.

Definition at line 42 of file gaussnet.h.

◆ learn

LearnFunc GaussNet::learn

Fonction d'apprentissage.

Definition at line 105 of file gaussnet.h.

◆ randInit

RandInitFunc GaussNet::randInit

Fonction d'initialisation.

Definition at line 68 of file gaussnet.h.

The documentation for this class was generated from the following file:

neur/gauss/gaussnet.h

Neuron: neural networks

Public Types

Public Member Functions

Static Public Attributes

Initialisation

Fonctionnement

Detailed Description

Member Typedef Documentation

◆ LearnFunc

◆ RandInitFunc

Constructor & Destructor Documentation

◆ GaussNet() [1/2]

◆ GaussNet() [2/2]

◆ ~GaussNet()

Member Function Documentation

◆ addGaussian()

◆ clear()

◆ gauss() [1/2]

◆ gauss() [2/2]

◆ init()

◆ learnAll()

◆ learnCenters()

◆ learnCycle()

◆ learnMulSig()

◆ learnSigma()

◆ learnWeights()

◆ learnWtSig()

◆ nGauss()

◆ nInputs()

◆ operator=()

◆ prop()

◆ randInitAll()

◆ randInitCenters()

◆ randInitSigma()

◆ randInitWeights()

◆ randInitWtSig()

◆ removeGaussian()

◆ setCenter()

◆ setWeight()

◆ weight()

Member Data Documentation

◆ CyclePeriod

◆ learn

◆ randInit